GridGain In-Memory Data Fabric

Продукт
Название базовой системы (платформы): Apache Ignite
Разработчики: GridGain Systems (Гридгаин Рус)
Дата премьеры системы: 2016/09/15
Дата последнего релиза: 2017/06/21
Отрасли: Финансовые услуги, инвестиции и аудит
Технологии: Системы управления производительностью сетевых приложений,  Центры обработки данных - технологии для ЦОД

GridGain In-Memory Data Fabric - технология масштабирования приложений с высоким объемом обработки данных и ускорением транзакций.

2017: Вышел релиз GridGain 8.1

21 июня 2017 года GridGain Systems представила версию платформы in-memory computing GridGain 8.1.

GridGain 8.1 расширяет SQL-возможности платформы GridGain функциями SQL Data Definition Language (DDL) в дополнение к существующей поддержке DML и ACID-транзакций. Релиз обеспечивает оптимальную производительность в гибридных инфраструктурах «память+диск» за счет функции Persistent Store. Для организаций, работающих с Persistent Store, платформа GridGain Ultimate Edition предлагает функцию резервного копирования снимков кластера, которая рекомендуется при использовании ориентированной на память архитектуры в критически важных средах.


Data Definition Language

В предыдущей версии GridGain появилась поддержка языков DDL во встроенном хранилище SQL Grid, позволяющая устанавливать и менять индексы во время работы без перезагрузки кластера. Теперь пользователи могут управлять кэшированием и схемами SQL-баз через команды CREATE и DROP. Это позволяет подключаться к GridGain через драйверы JDBC или ODBC и полностью конфигурировать кластер с помощью DDL-команд. В результате пользователю не нужно использовать Spring XML, Java или .NET опции для конфигурации кластера. Вместо этого, он может работать с платформой GridGain с поддержкой ANSI SQL-99, используя стандартные команды DDL и DML.


Persistent Store

Persistent Store – это распределенное дисковое хранилище с поддержкой ACID и ANSI-99 SQL в Apache Ignite, которое прозрачно интегрируется с GridGain как опциональная дисковая прослойка (может быть развернута на SDD, SSD, Flash, 3D XPoint и других технологиях памяти). Persistent Store сохраняет все данные на диске, размещая лишь заданные пользователем, нужные в определенный момент времени данные в памяти. Подключая Persistent Store, пользователям не нужно держать все активные данные в памяти или прогревать RAM с последующим перезапуском кластера, чтобы использовать in-memory возможности системы. Persistent Store хранит все множество данных и индексы SQL на диске, делая GridGain полностью функциональной на дисках. Сочетание новой функции и расширенных SQL-возможностей платформы позволяет GridGain служить распределенной транзакционной SQL-базой данных с использованием как дисков, так и памяти для поддержки существующих сценариев. Persistent Store помогает организациям максимизировать отдачу от инвестиций, устанавливая баланс между затратами на инфраструктуру и производительностью приложений за счет регулирования объема данных, которые хранятся в памяти.


Снимки кластеров

В платформе GridGain Ultimate Edition появилась функция Cluster Snapshots. Снимки кластеров важны для производственных внедрений GridGain с использованием Persistent Store. Они позволяют создавать как полные, так и инкрементные снимки, которые можно использовать как точки восстановления или как источник сравнительных данных в промежуточных и тестовых средах. Настроить снимки под бизнес-задачи пользователя можно с помощью инструментов GridGain Web Console и Snapshot Command Line Tool.


Обмен классами с логикой между узлами кластера .NET

В нескольких версиях GridGain функция peer-class loading поддерживала Java. Это устраняло необходимость вручную внедрять код Java или Scala на каждом узле кластера и переустанавливать его при каждом изменении. Необходимые классы загружаются или удаляются по необходимости. С GridGain 8.1, разработчики .NET получают ту же возможность. Сборка .NET теперь может быть автоматически предзагружена на уже работающую ячейку кластера .NET, если локальная реализация задачи распределенного вычисления отсутствует. Удаление также осуществляется автоматически.


C++ для разработки

Разработчики могут планировать и создавать задачи GridGain Compute Grid с помощью C++ и отправлять их в работу в кластер GridGain. Ignite.C++ автоматически сериализует, десериализует и выполняет вычисления.

«
GridGain 8.1 – это зрелая платформа in-memory computing нового поколения, которая может выгодно использоваться как сетка данных в памяти с существующими базами RDBMS, NoSQL или Apache Hadoop. Она также может работать как самостоятельная распределенная SQL-база данных, используя новую функцию Persistent Store. Расширенная поддержка SQL DDL упрощает работу с GridGain с помощью стандартных SQL-команд, а функции Persistent Store и Cluster Snapshots позволяют работать с платформой в более широком спектре производственных приложений. Каждая организация может установить баланс между операционными издержками и производительностью приложений, регулируя объем данных, которые хранятся в памяти. С расширенными возможностями .NET и C++ команды разработчиков могут использовать уже имеющиеся навыки для работы с GridGain. В целом, платформа нового поколения GridGain 8.1 дает организациям возможность разместить ориентированную на память вычислительную платформу в качестве стратегического ядра своей инфраструктуры хранения и обработки данных.

Эйб Кляйнфилд, президент и гендиректор GridGain
»

2016: GridGain In-Memory Data Fabric

15 сентября 2016 года компания GridGain System представила продукт GridGain In-Memory Data Fabric на облачной платформе Microsoft Azure.

Система поможет банкам и компаниям в сфере финансовых услуг использовать преимущества интегрированных облачных служб Microsoft чтобы развернуть распределенное, массово-параллельное решение GridGain для переноса вычислений в оперативную память компьютера.

Представление GridGain In-Memory Data Fabric, (2016)

Программное обеспечение GridGain In-Memory Data Fabric на основе Apache Ignite обеспечивает масштабирование приложений с высоким объемом обработки данных и ускорение транзакций в 1 тыс. раз без замены существующих баз данных, по сравнению с обработкой на диске.

ПО выполняет высокоскоростные ACID-операции, стриминг в реальном времени и эффективную аналитику в рамках единого комплексного доступа к данным. Решение поддерживает работу, как существующих, так и модернизированных приложений в распределенной, массово-параллельной архитектуре на доступном аппаратном обеспечении, которое легко масштабировать добавлением дополнительных узлов в вычислительную систему. Платформа GridGain In-Memory Data Fabric не требует, либо требует минимальных изменений в приложении или уровнях базы данных для архитектуры на основе RDBMS, NoSQL или Apache Hadoop.

«
Выпуск GridGain In-Memory Data Fabric на Microsoft Azure – это важный шаг для лучшего обслуживания потребностей нашей быстрорастущей базы клиентов. В частности, мы видим, что решения GridGain активно используются топовыми банками и поставщиками финансовых услуг, которые одновременно переводят свои инфраструктуры в «облако». Эти пользователи теперь смогут работать с надежной и производительной платформой, на которой легко развернуть решения GridGain для онлайн-процессинга транзакций, бизнес-аналитики онлайн или обоих сценариев одновременно. Благодаря гибкости платформы Azure, у наших клиентов будет выбор между аутсорсингом всей серверной архитектуры либо переноса пиковой загрузки в «облако» по запросу.

Эйб Кляйнфилд, президент и гендиректор GridGain
»

«
Учитывая, что крупнейшие банки по всему миру постепенно переходят на Microsoft Azure, сделать свои решения доступными на этой платформе – это естественный шаг для GridGain. Тем самым компания удовлетворяет потребности ведущих поставщиков финансовых сервисов, которым необходимо развернуть решение in-memory computing в «облаке». Появление решений GridGain In-Memory Data Fabric в магазине Microsoft Azure Marketplace помогает нашим общим клиентам в индустрии финансовых услуг быстро и удобно начать пользоваться GridGain.

Николь Хершковиц, старший директор по продуктовому маркетингу Microsoft Azure
»



ПРОЕКТЫ (1) ИНТЕГРАТОРЫ (1) СМ. ТАКЖЕ (4)


Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров

За всю историю
2015 год
2016 год
2017 год
Текущий год

  VMware (42, 82)
  Cisco Systems (45, 57)
  Dell EMC (43, 21)
  IBM (44, 20)
  Крок (2, 20)
  Другие (521, 242)

  Cisco Systems (5, 10)
  VMware (1, 7)
  IBM (3, 5)
  Крок (1, 5)
  Dell EMC (3, 3)
  Другие (32, 41)

  VMware (2, 6)
  Крок (2, 5)
  Bull (Atos IT Solutions And Services) (2, 3)
  Булат (2, 3)
  Stack Group (Стек Групп) (1, 3)
  Другие (30, 34)

  VMware (4, 15)
  Утилекс (Utilex) (6, 6)
  Крок (1, 4)
  Mellanox Technologies (2, 3)
  Teradata (2, 2)
  Другие (19, 22)

  Cisco Systems (5, 8)
  Stack Group (Стек Групп) (1, 6)
  Крок (1, 6)
  VMware (1, 5)
  SAP SE (1, 3)
  Другие (28, 29)

Распределение базовых систем по количеству проектов, включая партнерские решения

За всю историю
2015 год
2016 год
2017 год
Текущий год

Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров

За всю историю
2015 год
2016 год
2017 год
Текущий год

  Глобус-телеком (2, 16)
  Cisco Systems (10, 8)
  Zabbix SIA (1, 5)
  Hewlett-Packard (HP) (4, 3)
  WEY Technology (Вей Текнолоджи) (1, 3)
  Другие (85, 15)

  Глобус-телеком (1, 4)
  Cisco Systems (1, 2)
  F5 Networks (1, 1)
  Другие (0, 0)

  Глобус-телеком (1, 2)
  Zabbix SIA (1, 1)
  WEY Technology (Вей Текнолоджи) (1, 1)
  Hewlett-Packard (HP) (1, 1)
  Cisco Systems (1, 1)
  Другие (0, 0)

Распределение базовых систем по количеству проектов, включая партнерские решения

За всю историю
2015 год
2016 год
2017 год
Текущий год